文章 "您应当知道的 MQL5 向导技术（第 34 部分）：采用非常规 RBM 进行价格嵌入" 新评论 MetaQuotes 2025.05.14 07:57 新文章 您应当知道的 MQL5 向导技术（第 34 部分）：采用非常规 RBM 进行价格嵌入已发布： 受限玻尔兹曼（Boltzmann）机是一种神经网络形式，开发于 1980 年代中叶，当时的计算资源非常昂贵。在其初创时，它依赖于 Gibbs 采样，以及对比散度来降低维度，或捕获输入训练数据集上的隐藏概率/属性。我们验证当 RBM 为预测多层感知器“嵌入”价格时，反向传播如何执行类似的操作。 在本文的上下文中，价格嵌入的用法非常类似于单词嵌入的过程；正如一些读者可能知道的那样，这是转换大型语言模型网络的先决条件。单词嵌入，可定义为单词的编号，当与自注意配对时，有助于将在线可用的许多书面材料转换为神经网络可以理解的格式。我们同样借鉴了这种方式，假设默认情况下，神经网络无法轻易地“理解”证券价格数据（即使是数字）。我们令其更易于理解的方式是用反向传播训练的 RBM。 现在，单词到编号的转换不仅仅是为单词或字母分配一个数字，而是一个复杂的过程，如上所述，它涉及自我注意。与其并列，我相信，当人们研究二分图设计时，能够当成 RBM。 虽然 RBM 的一层内没有直接的神经元到神经元连接，但这些可能是捕获任意输入数据的自我注意分量的关键，是经由隐藏层。配上这些，隐藏层不仅记录了每个神经元可以重绘为什么，还记录了其与其它神经元的关系的重要性。 如常，就交易者而言，证据就在布丁中，因此这种价格嵌入的益处只能通过交易结果来证明。我们将进入这个过程的第一部分，但值得强调的是，从单词到数字嵌入获得的奖励规模无法与我们在数字到数字嵌入中所看到的奖励规模相提并论，这是因为我们在这里所做的并无那么具有变换性。据其，现在我们来研究如何配以反向传播来重造 RBM。 作者：Stephen Njuki 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
新文章 您应当知道的 MQL5 向导技术（第 34 部分）：采用非常规 RBM 进行价格嵌入已发布：
在本文的上下文中，价格嵌入的用法非常类似于单词嵌入的过程；正如一些读者可能知道的那样，这是转换大型语言模型网络的先决条件。单词嵌入，可定义为单词的编号，当与自注意配对时，有助于将在线可用的许多书面材料转换为神经网络可以理解的格式。我们同样借鉴了这种方式，假设默认情况下，神经网络无法轻易地“理解”证券价格数据（即使是数字）。我们令其更易于理解的方式是用反向传播训练的 RBM。
现在，单词到编号的转换不仅仅是为单词或字母分配一个数字，而是一个复杂的过程，如上所述，它涉及自我注意。与其并列，我相信，当人们研究二分图设计时，能够当成 RBM。
虽然 RBM 的一层内没有直接的神经元到神经元连接，但这些可能是捕获任意输入数据的自我注意分量的关键，是经由隐藏层。配上这些，隐藏层不仅记录了每个神经元可以重绘为什么，还记录了其与其它神经元的关系的重要性。
如常，就交易者而言，证据就在布丁中，因此这种价格嵌入的益处只能通过交易结果来证明。我们将进入这个过程的第一部分，但值得强调的是，从单词到数字嵌入获得的奖励规模无法与我们在数字到数字嵌入中所看到的奖励规模相提并论，这是因为我们在这里所做的并无那么具有变换性。据其，现在我们来研究如何配以反向传播来重造 RBM。
作者：Stephen Njuki